Social monitoring: The psychophysics of facial communication
Notice bibliographique
Résumé
We often rely on the facial expressions of others to determine our response to events they can see, but we cannot (e.g., a dog barking behind you likely poses no threat if the person facing you is smiling). Recent advances in personal computing now make it convenient to study social monitoring in new ways. Specifically, the video camera atop the screen makes it possible to record the dynamic expressions of participants otherwise engaged in the tasks studied by cognitive scientists. The video clips of these facial expressions can then be used as stimuli in their own right to study social monitoring processes and abilities. In our lab we began by selecting 80 photos from the IAP set (Lang et al., 2005) that varied in valence (negative vs. positive) and arousal (low vs. high). In Part 1 the 80 images were presented in a random order for 3 sec, with participants viewing the complete set three times. The first time no mention was made of facial expressions. Participants were told the camera would record where they were looking while they categorized images as negative or positive. The second time they were asked to deliberately make expressions that would convey the emotional tone of the picture to someone else. The third time they were asked to make expressions that would mislead someone regarding the picture. In Part 2 the video clips from these three phases were used to answer several questions about social monitoring: Which IAP pictures result in reliable spontaneous expressions that convey emotions to viewers? Does reading someone's facial expression improve with training through feedback? How easy is it to discriminate genuine from faked expressions? Answers to these and other questions will be presented in discussing how to harness this new technology in the study of social-cognitive perception.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».